L'AI che può ricostruire l'RNA

Per l’esistenza stessa della vita umana, sono fondamentali quattro gruppi di macromolecole: i polisaccaridi che appartengono ai glucidi (come l’amido e la cellulosa); le proteine che appartengono ai protidi; il DNA e gli RNA che costituiscono gli acidi nucleici; i lipidi complessi. Se gli studi sul DNA vanno avanti oramai da anni, ora un sistema di intelligenza artificiale è riuscito a ricostruire, in autonomia, sequenze complesse di RNA, per individuare problemi e proporre soluzioni.

Si chiama Learna ed è un sistema AI progettato dal Dipartimento di Ingegneria dell’Università di Friburgo, in Germania, col fine proprio di implementare la conoscenza e lo studio dell’RNA da parte dell’uomo. La progettazione di molecole di RNA ha suscitato molto interesse in campi come la medicina, la biologia sintetica, la biotecnologia e la bioinformatica, proprio perché molte molecole funzionali hanno dimostrato di essere coinvolte nei processi cardine per la trascrizione, l’epigenetica e la traduzione delle sequenza vitali. Ideare un algoritmo che velocizzi e ottimizzi il lavoro di analisi può rappresentare un passo cruciale per la medicina e la tecnologia.

Come spiegano gli autori della ricerca, la funzione dell’RNA dipende dalle sue proprietà strutturali. La vera sfida è l’identificazione di schemi e sequenze che permettono alla macromolecola di “ripiegarsi” in una struttura specificata. L’approccio che involve l’AI si basa su un algoritmo di apprendimento di rinforzo profondo (RL), una tecnica di intelligenza artificiale che indirizza determinati agenti verso obiettivi, formando una rete che può predirne sequenzialmente l’intera sequenza.

Nel frattempo, una seconda versione di Learna, denominata Meta-Learna, impara a conoscere eventuali problemi sull’RNA proprio mentre viene progettato, costruendo campioni che risolvano tali criticità, posizionando i nucleotidi, ovvero i blocchi costitutivi chimici di RNA e DNA, dove è meglio ai fini di una struttura completa.

Dopo aver sperimentato la soluzione su 8 mila diverse strutture target di RNA, Meta-Learna è riuscito a risolvere fino al 65% degli obiettivi nel benchmark Eterna100. Per chi non lo sapesse, si tratta di una collezione di 100 strutture create dalla piattaforma Eterna, un laboratorio aperto online che impegna gli utenti a creare sequenze che si piegano con strutture specifiche.

I risultati, molto simili a quelli raggiunti dal sistema AlphaFold di Google DeepMind all’inizio di quest’anno, sono di buon auspicio per il futuro lavoro nella biologia dell’RNA. “Il punto a cui siamo arrivati mostra che l’approccio è corretto e permette di raggiunge nuove prestazioni allo stato dell’arte su tutti i parametri di riferimento, oltre a implementare operazioni più veloci e ottimizzate” – hanno spiegato da Friburgo.